誰的家務，正在訓練明日的機器人？

在奈及利亞折疊衣物的動作，將決定未來機器人如何在你家中工作——這聽起來像科幻小說，但它正在發生。

把iPhone綁在額頭上的人們

奈及利亞中部某座山城裡，醫學生宙斯（化名）結束漫長的醫院輪班回到宿舍，打開環形補光燈，把iPhone用綁帶固定在額頭上，開始錄影。他緩慢地伸出雙手，像夢遊者一般，仔細地在床上鋪好床單，確保雙手始終在鏡頭範圍內。

他的雇主是總部位於美國加州帕羅奧圖的Micro1——一家專門收集現實世界動作數據、並轉售給機器人企業的公司。隨著Tesla、Figure AI、Agility Robotics等企業競相打造能在工廠與家庭中運作的人形機器人，像宙斯這樣的零工工作者所錄製的家務影片，正成為訓練這些機器人最炙手可熱的原材料。

Micro1在超過50個國家僱用了數千名合約工作者，包括印度、奈及利亞、阿根廷等地大量尋找工作機會的年輕人。他們每週提交自己洗碗、折衣、烹飪的影片。宙斯的時薪是15美元，在奈及利亞高失業率的環境下相當可觀。

這場數據採集競賽遠不止Micro1一家。Scale AI與Encord正在招募各自的數據錄製大軍，DoorDash則付錢讓外送員在家錄製家務。而在中國，數十個國有機器人訓練中心裡，工作人員戴著VR頭盔和外骨骼裝置，手把手地教人形機器人如何開微波爐、擦桌子。

60億美元的賭注：為何現在？

人形機器人之所以難以開發，在於操控物理世界的物件是極其複雜的技能。虛擬模擬可以訓練機器人做雜技，卻無法精確模擬抓取和移動物體所需的物理規律。

ChatGPT背後的大型語言模型（LLM）的崛起，為機器人學帶來了典範轉移。正如語言模型透過海量文字學習生成語言，許多研究者相信，人形機器人也能透過大量的動作數據學習與物理世界互動。

廣告

廣告合作

[email protected]

廣告

2025年，投資者在人形機器人領域投入超過60億美元，機器人企業每年購買現實數據的支出已超過1億美元。Micro1執行長阿里·安薩里（Ali Ansari）說：「需求非常龐大，而且增長非常快。」

然而，加州大學柏克萊分校機器人學家肯·戈德堡（Ken Goldberg）對此保持審慎。大型語言模型的訓練數據量，相當於人類閱讀10萬年的文字與圖片；而人形機器人需要控制的關節動作比文字生成更為複雜，所需數據量可能更加龐大。「這將比人們預期的花費更長時間，」他說。

中國模式 vs. 全球零工模式：兩條截然不同的路

在這場數據競賽中，中國與西方正在走向截然不同的路徑——而這個差異本身，就值得深思。

在中國，機器人訓練數據的採集是由國家主導的系統性工程。國有訓練中心統一調度工作人員，以標準化流程收集數據，確保數據品質的一致性與可控性，同時也使數據資產留在國家體系之內。這種模式效率高，但也意味著數據的所有權與用途高度集中。

相較之下，以Micro1為代表的西方模式，是透過全球分散的零工工作者收集數據。這種模式靈活且成本較低，卻也帶來了數據品質參差不齊、工作者知情同意不足等問題。奧斯汀州立大學的機器人安全專家亞倫·普拉瑟（Aaron Prather）指出：「我們在家裡的行為方式，並不總是從安全角度來看是正確的。如果這些人在教機器人一些不好的習慣，那就不是好的訓練數據。」

對於台灣、香港及東南亞的科技產業而言，這場競爭的走向至關重要。台灣的半導體供應鏈已深度嵌入全球機器人硬體生態；鴻海（富士康）正積極佈局人形機器人領域。當訓練數據的採集模式決定了未來機器人的「行為邏輯」，亞洲科技企業在這條產業鏈上的定位，將不僅是硬體製造商，更可能是數據生產與標準制定的關鍵參與者。

數據的另一面：隱私、同意與不透明

在這場熱潮背後，有一些問題尚未得到充分的回答。

Micro1要求工作者不得將臉部或個人資訊入鏡，並以AI和人工審核過濾敏感內容。但即便沒有臉孔，這些影片仍記錄了工作者家中的陳設、物品與日常習慣——這是高度私密的生活切片。

更根本的問題是：工作者並不清楚自己的數據將如何被使用、儲存，以及與哪些第三方共享。Micro1以保密為由，不向工作者揭露客戶名稱或具體項目內容。馬里蘭大學人機互動教授雅思敏·科圖里（Yasmine Kotturi）指出：「如果工作者要參與這項工作，企業本身應該讓他們了解其意圖……這項技術可能走向何方，以及長期來看對他們可能產生什麼影響。」

安薩里的回應是：「人們是自願選擇參與的，他們隨時可以停止工作。」這個答案或許在法律上站得住腳，但在倫理層面，它是否足夠？